目前，财务危机是我国许多上市公司面临的众多问题之一。从微观角度看，企业发生财务危机，所有利益相关者都必将遭受牵连，严重的财务危机甚至会导致企业的破产;从宏观角度看，如果在整个行业或整个市场中，容易导致使财务危机升级成大规模跨行业的金融危机。据不完全统计，自2008年金融危机以来，仅仅美国发生财务危机导致破产的公司就高达257家之多。包括雷曼兄弟公司、华盛顿互助银行等著名公司。中国企业虽然在金融危机中所受冲击要远远小于欧美企业，但仍然或多或少受到了影响，中国最大的玩具代工企业——香港合俊控股集团旗下的两家工厂倒闭，这也就是所谓的“金融危机波及中国实体经济并令企业倒闭第一案”。因此，预防企业财务危机的发生是十分必要的，而有效的预防措施莫过于建立一套科学合理的预警模型。　　目前在学术界存在两类财务危机预警模型，即传统统计类预警模型和人工智能类预警模型。统计类预警模型包括单变量判别模型、多变量判别模型、多元回归模型、生存分析模型等;而人工智能类预警模型包含人工神经网络模型、支持向量机模型、卡尔曼滤波模型等等。其中Logistic模型是统计类模型中应用较为广泛的代表，而人工智能类模型则以神经网络模型和支持向量机模型的应用居多。因为各类模型都有各自的特点，在不同情况下的预测准确度和适应性都有区别，所以通过比较模型之间的特点，找到预测性能最好的模型是本文研究的重点。　　通过对国内外研究的综合和比较，本文选取了2008年-2013年的227家上市公司数据作为研究样本，将其按照一定比例分为训练组和测试组，根据前人的研究成果和不足之处设计了一套企业财务危机预警指标。笔者研究了以特殊处理(ST)为财务危机标志的公司与以其发生财务危机当前年度为基准前3年内财务类指标和非财务类指标之间的内在关系，利用训练组数据分别加入Logistic模型、BP神经网络、支持向量机模型对公司在未来三年内是否发生财务危机进行预警建模，并且通过测试组数据验证判断三种模型的预测分类准确度和适用性。　　通过测试组数据的回判验证，笔者发现，每一年的预警指标都各有不同，具体来说，T-3年中公司成长能力是唯一的敏感性指标，而T-2年增加到了四个，分别是:现金流能力，盈利能力，偿债能力和成长能力，而T-1年又在T-2年的基础上增加了一个公司治理因素这一非财务指标;T-3年和T-1年的预测结果都显示出三种预测模型的准确率满足支持向量机模型＞BP神经网络模型＞Logistic模型的规律，T-2年则出现了BP神经网络模型＞支持向量机模型＞Logistic模型的例外情况;随着时间的推移，预测准确度在各模型内部也存在着逐步提高的规律，即模型预测准确率满足T-1＞T-2＞T-3年的规律。　　基于本文的数据研究得出了以下一些结论:　　1、非财务类指标并非对公司财务危机有明显的预警作用，仅仅在短期内(1年以内)存在显著影响。并且除审计意见外，独立董事比例，大股东持股比例等非财务因素在所选取样本期间内都并非是影响我国公司发生财务危机的重要指标，这一点与前人研究略有差异;财务类指标还是直接反映公司是否发生财务危机的标志性指标，任何企业一旦发生财务危机首先就会反映到财务指标上来。　　2、预测企业是否发生财务危机的指标也是具有时间效应的，公司在距发生财务危机较长时间内，是否具有长期发展潜力是影响公司财务危机的最主要因素。而随着时间推移，公司盈利能力，现金流能力，偿债能力在中期影响上更加突出。一直到距离发生财务危机前一年，也就是短期内，公司在经营能力上的不足则成为了公司发生财务危机的标志性指标。　　3、越接近财务危机发生年度，模型预测效果越好。换句话说，预警模型判别得到的财务危机公司和财务健康公司之间的差异越明显，财务困境公司就越容易发生财务危机。　　4、相比于传统统计类模型，人工智能类模型在预测准确度上占据明显优势，尤其以支持向量机模型为例，它不仅在汇总的判别正确率上要明显高于其他两种模型（Logistic模型，BP神经网络模型），更重要的是其分类的第一类错误发生的可能性也要远远小于后者。